Imaging and diagnostic of sub-wavelength micro-structures, from closed-form algorithms to deep learning
Imagerie et diagnostic de micro-structures sous-longueur d’onde, d’approches semi-analytiques à l’apprentissage profond
Résumé
Electromagnetic probing of a gridlike, finite set of infinitely long circular cylindrical dielectric rods affected by missing ones is investigated from time-harmonic single and multiple frequency data. Sub-wavelength distances between adjacent rods and sub-wavelength rod diameters are assumed throughout the frequency band of operation and this leads to a severe challenge due to need of super-resolution within the present micro-structure, well beyond the Rayleigh criterion. A wealth of solution methods is investigated and comprehensive numerical simulations illustrate pros and cons, completed by processing laboratory-controlled experimental data acquired on a micro-structure prototype in a microwave anechoic chamber. These methods, which differ per a priori information accounted for and consequent versatility, include time-reversal, binary-specialized contrast-source and sparsity-constrained inversions, and convolutional neural networks possibly combined with recurrent ones.
Le test électromagnétique d’un ensemble fini en forme de grille de tiges diélectriques cylindriques circulaires infiniment longues dont certaines manquent est investigué à partir de données fréquence simple et multiple et en régime temporel. Les distances sous-longueur d’onde entre tiges adjacentes et des diamètres de tige de sous-longueur d’onde sont considérées sur toute la bande de fréquences d’opération et cela conduit à un défi majeur en raison du besoin de super-résolution dans la microstructure, bien au-delà du critère de Rayleigh. Tout un ensemble de méthodes de résolution est étudié et des simulations numériques systématiques illustrent avantages et inconvénients, complétées par le traitement de données expérimentales en laboratoire acquises sur un prototype de micro-structure en chambre anéchoïque micro-onde. Ces méthodes, qui diffèrent selon les informations a priori prises en compte et la polyvalence qui en résulte, comprennent retournement temporel, inversions de source de contraste, binaires ou parcimonieuses, ainsi que réseaux de neurones convolutifs éventuellement combinés avec des réseaux récurrents.
Origine : Version validée par le jury (STAR)